import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data_1=pd.read_csv("cnps_2.csv")
data_1.head()
#data_1.dtypes
#print(data_1)
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_2=pd.read_json("Lim_pref.json")
data_2.head()
#print(data_2.shape)
### L'aperçu des données.
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_3=pd.read_csv("imma.csv")
data_3.head()
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_3=pd.read_csv("presta.csv")
data_3.head()
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("empl.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
Le nombre des employeurs est passés de 17 000 à 22 000
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("salar.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
Une évolution très timide entre 2008 et 2009 et une forte évolution entre 2009 et 2010.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("imma.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("mifa.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
On constate une legère baisse des prestations familiales de 2008 à 2009, cela s'explique par.... , suivi d'une forte augmentation de 2009 à 2010 ceci est du....
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("retraite.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("retraite.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
On constate une baisse de 3% des bénéficiaires émis de la retraite de 2008 à 2009 en raison de nombreuses suspensions de droits opérés pour non dépôt par les assurés de pièces de régularisation périodique (certificats de vie, certificats de non remariage etc.)
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("presta.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
import os
import numpy as np
import pandas as pd
import folium
#url = 'https://raw.githubusercontent.com/python-visualization/folium/master/examples/data'
state_geo = 'Lim_pref.json'
state_unemployment = 'cnps_2.csv'
state_data = pd.read_csv(state_unemployment)
m = folium.Map(location=[7.860367, -5.481547], zoom_start=7)
folium.Choropleth(
geo_data=state_geo,
name='Nombre de structures sociales par sousprefecture',
data=state_data,
columns=['Prefecture','Nbre_de_service'],
#color_data = data.set_index(columns[Prefecture])[columns[Nbre_de_service]].to_dict()
key_on='properties.DEPARTMNT',
fill_color='PuRd',
fill_opacity=0.7,
line_opacity=0.2,
legend_name='Nombre de structures sociales (%)'
).add_to(m)
folium.LayerControl().add_to(m)
(m)
Cette carte met en evidence la disparité spatiale des structures de protections entre les sous-prefectures. 30 % des structures de protections sociales se situent dans la sous-prefecture d'Abidjan (en rouge). Certaines sous-prefectures ne possedent aucune struture (en noire).